Общая схема построения математической модели. Пример математической модели. Определение, классификация и особенности. Математические схемы моделирования систем

Наибольшие затруднения и наиболее серьезные ошибки при моделировании возникают при переходе от содержательного к формальному описанию объектов исследования, что объясняется участием в этом творческом процессе коллективов разных специальностей: специалистов в области систем, которые требуется моделировать (заказчиков), и специалистов в области машинного моделирования (исполнителей). Эффективным средством для нахождения взаимопонимания между этими группами специалистов является язык математических схем, позволяющий во главу угла поставить вопрос об адекватности перехода от содержательного описания системы к ее математической схеме, а лишь затем решать вопрос о конкретном методе получения результатов с использованием ЭВМ: аналитическом или имитационном, а возможно, и комбинированном, т. е. аналитико-имитационном. Применительно к конкретному объекту моделирования, т. е. к сложной системе, разработчику модели должны помочь конкретные, уже прошедшие апробацию для данного класса систем математические схемы, показавшие свою эффективность в прикладных исследованиях на ЭВМ и получившие название типовых математических схем.

ОСНОВНЫЕ ПОДХОДЫ К ПОСТРОЕНИЮ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ СИСТЕМ

Исходной информацией при построении математических моделей процессов функционирования систем служат данные о назначении и условиях работы, исследуемой (проектируемой) системы 5. Эта информация определяет основную цель моделирования системы £ и позволяет сформулировать требования к разрабатываемой математической модели А/. Причем уровень абстрагирования зависит от круга тех вопросов, на которые исследователь системы хочет получить ответ с помощью модели, и в какой-то степени определяет выбор математической схемы .

Математические схемы.

Введение понятия "математическая схема" позволяет рассматривать математику не как метод расчета, а как метод мышления, как средство формулирования понятий, что является наиболее важным при переходе от словесного описания системы к формальному представлению процесса ее функционирования в виде некоторой математической модели (аналитической или имитационной). При пользовании математической схемой исследователя системы 5* в первую очередь должен интересовать вопрос об адекватности отображения в виде конкретных схем реальных процессов в исследуемой системе, а не возможность получения ответа (результата решения) на конкретный вопрос исследования. Например, представление процесса функционирования информационно-вычислительной системы коллективного пользования в виде сети схем массового обслуживания дает возможность хорошо описать процессы, происходящие в системе, но при сложных законах распределения входящих потоков и потоков обслуживания не дает возможности получения результатов в явном виде .

Математическую схему можно определить, как звено при переходе от содержательного к формальному описанию процесса функционирования системы с учетом воздействия внешней среды, т. е. имеет место цепочка "описательная модель - математическая схема - математическая [аналитическая или (и) имитационная] модель".

Каждая конкретная система Л 1 характеризуется набором свойств, под которыми понимаются величины, отражающие поведение моделируемого объекта (реальной системы) и учитывающие условия ее функционирования во взаимодействии с внешней средой (системой) Е. При построении математической модели системы необходимо решить вопрос об ее полноте. Полнота модели регулируется в основном выбором границы "система.У-среда £>>. Также должна быть решена задача упрощения модели, которая помогает выделить основные свойства системы, отбросив второстепенные. Причем отнесение свойств системы к основным или второстепенным существенно зависит от цели моделирования системы (например, анализ вероятностно-временных характеристик процесса функционирования системы, синтез структуры системы и т. д.).

Формальная модель объекта. Модель объекта моделирования, т. е. системы 5, можно представить в виде множества величин, описывающих процесс функционирования реальной системы и образующих в общем случае следующие подмножества: совокупность входных воздействий на систему

совокупность воздействий внешней среды

совокупность внутренних (собственных) параметров системы

совокупность выходных характеристик системы

При этом в перечисленных подмножествах можно выделить управляемые и неуправляемые переменные. В общем случае х„ г/, А*,

у у являются элементами непересекающихся подмножеств и содержат как детерминированные, так и стохастические составляющие.

При моделировании системы 5 входные воздействия, воздействия внешней среды Е и внутренние параметры системы являются независимыми (экзогенными) переменными , которые в векторной форме имеют соответственно вид х (/)=(*! (О, х 2 (0> -" х *х(0)*

" (0=("1 (0. "2(0. . "^(0; л (/)=(*! (0. Л 2 (0. ■ . Л -Н (0). а выходные характеристики системы являются зависимыми (эндогенными) переменными и в векторной форме имеют вид у (0=(у 1 0), у 2 ( 0" > У.гШ

Процесс функционирования системы 5 описывается во времени оператором /* 5 , который в общем случае преобразует экзогенные переменные в эндогенные в соответствии с соотношениями вида

Совокупность зависимостей выходных характеристик системы от времени уДг) для всех видов у= 1, п у называется выходной траекторией у ((). Зависимость (2.1) называется законом функционирования системы Б и обозначается Г 5 . В общем случае закон функционирования системы Е 5 может быт задан в виде функции, функционала, логических условий, в алгоритмической и табличной формах или в виде словесного правила соответствия.

Весьма важным для описания и исследования системы 5 является понятие алгоритма функционирования Л 5 , под которым понимается метод получения выходных характеристик с учетом входных воздействий х (/), воздействий внешней среды V (г) и собственных параметров системы И (/). Очевидно, что один и тот же закон функционирования системы 5 может быть реализован различными способами, т. е. с помощью множества различных алгоритмов функционирования Л $ .

Соотношения (2.1) являются математическим описанием поведения объекта (системы) моделирования во времени /, т. е. отражают его динамические свойства. Поэтому математические модели такого вида принято называть динамическими моделями (системами) .

Для статических моделей математическая модель (2.1) представляет собой отображение между двумя подмножествами свойств моделируемого объекта У и {X, V , Я}, что в векторной форме может быть записано как

Соотношения (2.1) и (2.2) могут быть заданы различными способами: аналитически (с помощью формул), графически, таблично и т. д. Такие соотношения в ряде случаев могут быть получены

через свойства системы 5 в конкретные моменты времени, называемые состояниями. Состояние системы 5 характеризуется векторами

где *; = *!(/"), *2=*2(0" " **=**(0 в момент /"е(/ 0 , 7); *1 =^(0, *2=*2(П" , *£=**(*") в момент /"б(/ 0 , 7) и т. д., £=1, п г.

Если рассматривать процесс функционирования системы 5 как последовательную смену состояний (/), г 2 (/), г к (/), то они

могут быть интерпретированы как координаты точки в ^-мерном фазовом пространстве, причем каждой реализации процесса будет соответствовать некоторая фазовая траектория. Совокупность всех возможных значений состояний {г} называется пространством состояний объекта моделирования Z t причем г к е Z.

Состояния системы 5 в момент времени полностью

определяются начальными условиями 7° = (2° 1 ,. 2 2 °, г ° к) [где

*°1 = *1(*о)" *°г = *2 (^о)" -" *°*=**(*о)]" входными воздействиями х (/), внутренними параметрами к (/) и воздействиями внешней среды V (0, которые имели место за промежуток времени - / 0 , с помощью двух векторных уравнений

Первое уравнение по начальному состоянию г° и экзогенным переменным х, V, И определяет вектор-функцию (/), а второе по полученному значению состояний г (/) - эндогенные переменные на выходе системы у (/). Таким образом, цепочка уравнений объекта "вход - состояния - выход" позволяет определить характеристики системы

В общем случае время в модели системы Я может рассматриваться на интервале моделирования (О, Т) как непрерывное, так и дискретное, т. е. квантованное на отрезки д линой А/ временных единиц каждый, когда Т=тА1, где т- 1, т Т - число интервалов дискретизации.

Таким образом, под математической моделью объекта (реальной системы) понимают конечное подмножество переменных {х (/), ь (/), И (г)} вместе с математическими связями между ними и характеристиками у (/) .

Если математическое описание объекта моделирования не содержит элементов случайности или они не учитываются, т. е. если

можно считать, что в этом случае стохастические воздействия внешней среды V (/) и стохастические внутренние параметры И (/) отсутствуют, то модель называется детерминированной в том смысле, что характеристики однозначно определяются детерминированными входными воздействиями

Очевидно, что детерминированная модель является частным случаем стохастической модели.

Типовые схемы.

Приведенные математические соотношения представляют собой математические схемы общего вида и позволяют описать широкий класс систем. Однако в практике моделирования объектов в области системотехники и системного анализа на первоначальных этапах исследования системы рациональнее использовать типовые математические схемы: дифференциальные уравнения, конечные и вероятностные автоматы, системы массового обслуживания, сети Петри и т. д.

Не обладая такой степенью общности, как рассмотренные модели, типовые математические схемы имеют преимущества простоты и наглядности, но при существенном сужении возможностей применения. В качестве детерминированных моделей, когда при исследовании случайные факторы не учитываются, для представления систем, функционирующих в непрерывном времени, используются дифференциальные, интегральные, интегро-дифференциальные и другие уравнения, а для представления систем, функционирующих в дискретном времени- конечные автоматы и конечно-разностные схемы. В качестве стохастических моделей (при учете случайных факторов) для представления систем с дискретным временем используются вероятностные автоматы, а для представления системы с непрерывным временем - системы массового обслуживания и т. д.

Перечисленные типовые математические схемы, естественно, не могут претендовать на возможность описания на их базе всех процессов, происходящих в больших информационно-управляющих системах. Для таких систем в ряде случаев более перспективным является применение агрегативных моделей . Агрегативные модели (системы) позволяют описать широкий круг объектов исследования с отображением системного характера этих объектов. Именно при агрегативном описании сложный объект (система) расчленяется на конечное число частей (подсистем), сохраняя при этом связи, обеспечивающие взаимодействие частей.

Таким образом, при построении математических моделей процессов функционирования систем можно выделить следующие основные подходы: непрерывно-детерминированный (например, дифференциальные уравнения); дискретно-детерминированный (конечные автоматы); дискретно-стохастический (вероятностные автоматы); непрерывно-стохастический (системы массового обслуживания); обобщенный, или универсальный (агрегативные системы).

Математические схемы, рассматриваемые в последующих параграфах данной главы, должны помочь оперировать различными подходами в практической работе при моделировании конкретных систем.

1. Графические модели

2. Имитационные модели

3. Математические модели

4. Моделирование процессов оптимального планирования

5. Моделирование глобальных процессов

7. Моделирование экологических систем и процессов

8. Объектно-информационные модели

9. Системный анализ

10. Статистические модели

11. Табличные модели

12. Формализация и моделирование

В школьном курсе информатики традиционно присутствует содержательная линия формализации и моделирования. Понятие модели относится к фундаментальным общенаучным понятиям, а моделирование - это метод познания действительности, используемый различными науками.

Практически во всех естественных и социальных науках построение и использование моделей является мощным орудием исследований. Реальные объекты и процессы бывают столь многогранны и сложны, что лучшим способом их изучения оказывается построение модели, отображающей лишь какую-то часть реальности и потому многократно более простой, чем эта реальность. Предметом исследования и разработки информатики является методология информационного моделирования, связанная с использованием компьютерной техники и технологий. В этом смысле говорят о компьютерном моделировании . Межпредметное значение информатики в значительной степени проявляется именно через внедрение компьютерного моделирования в различные научные и прикладные области: физику и технику, биологию и медицину, экономику, управление и многие другие.

Компьютерное моделирование включает в себя процесс реализации информационной модели на компьютере и исследование с помощью этой модели объекта моделирования - проведение вычислительного эксперимента . С помощью компьютерного моделирования решаются многие научные и производственные задачи.

Информационное моделирование связано с формализацией данных об объекте моделирования (см. “Формализация и моделирование” ). Построение информационной модели начинается с определения целей моделирования и анализа объекта моделирования как сложной системы, в которой требуется выделить отражаемые в модели свойства и отношения между ними (см. “Системный анализ” ). Информационные модели различаются по форме представления информации об объекте моделирования. Математические модели используют язык математики для представления объекта моделирования . Отдельной разновидностью математических моделей являются статистические модели - ориентированные на обработку массовых данных (например, опросов населения), в которых имеется элемент случайности. Данные об объекте моделирования, организованные в табличной форме, составляют табличную модель . Графические средства используются для построения графических моделей . Возникший в конце прошлого столетия объектно-ориентированный подход к программированию породил новую парадигму в информационном моделировании: объектно-информационное моделирование . Компьютерные модели, воспроизводящие поведение сложных систем, для описания которых нет однозначного математического аппарата, называются имитационными моделями .

Компьютерное информационное моделирование используется для описания и анализа процессов разнообразной природы. Наибольший опыт в этом отношении имеют физические науки (см. “Моделирование физических систем и процессов” ). Компьютерное моделирование помогает решать важные проблемы экологии (см. “Моделирование экологических систем и процессов” ). Большую роль играет информационное моделирование в экономике и управлении. Важнейшими задачами этой области являются задачи планирования (см. “Моделирование процессов оптимального планирования” ). Средствами компьютерного моделирования ученые пытаются решить даже такую глобальную проблему, как судьбы человеческой цивилизации (см. “Моделирование глобальных процессов” ).

1. Графические модели

Разнообразие графических моделей достаточно велико. Рассмотрим некоторые из них.

Наглядным средством отображения состава и структуры систем (см. “Системология ”) являются графы.

Рассмотрим пример. Имеется словесное описание некоторой местности: “Наш район состоит из пяти поселков: Дедкино, Бабкино, Репкино, Кошкино и Мышкино. Автомобильные дороги проложены между: Дедкино и Бабкино, Дедкино и Кошкино, Бабкино и Мышкино, Бабкино и Кошкино, Кошкино и Репкино”. По такому описанию довольно трудно представить себе эту местность. Гораздо легче та же информация воспринимается с помощью схемы (см. рисунок). Это не карта местности. Здесь не выдержаны направления по сторонам света, не соблюден масштаб. На этой схеме отражен лишь факт существования пяти поселков и дорожной связи между ними. Такая схема, отображающая элементный состав системы и структуру связей , называется графом .

Составными частями графа являются вершины и ребра . На рисунке вершины изображены кружками - это элементы системы , а ребра изображены линиями - это связи (отношения) между элементами . Глядя на этот граф, легко понять структуру дорожной системы в данной местности.

Построенный граф позволяет, например, ответить на вопрос: через какие поселки надо проехать, чтобы добраться из Репкино в Мышкино? Видно, что есть два возможных пути: 1) Р К Б М и) Р К Д Б М. Можно ли отсюда сделать вывод, что 1-й путь короче 2-го? Нет, нельзя. Данный граф не содержит количественных характеристик. Это не карта, где соблюдается масштаб и есть возможность измерить расстояние.

Граф, приведенный на следующем рисунке, содержит количественные характеристики. Числа около ребер обозначают длины дорог в километрах. Это пример взвешенного графа . Взвешенный граф может содержать количественные характеристики не только связей, но и вершин. Например, в вершинах может быть указано население каждого поселка. Согласно данным взвешенного графа, оказывается, что первый путь длиннее второго.

Подобные графы еще называют сетью . Для сети характерна возможность множества различных путей перемещения по ребрам между некоторыми парами вершин . Для сетей также характерно наличие замкнутых путей, которые называются циклами . В данном случае имеется цикл: К Д Б К.

На рассмотренных схемах каждое ребро обозначает наличие дорожной связи между двумя пунктами. Но дорожная связь действует одинаково в обе стороны: если по дороге можно проехать от Б к М, то по ней же можно проехать и от М к Б (предполагаем, что действует двустороннее движение). Такие графы являются неориентированными , а их связи называют симметричными .

Качественно иной пример графа изображен на следующем рисунке.

Граф совместимости групп крови

Этот пример относится к медицине. Известно, что у разных людей кровь отличается по группе. Существуют четыре группы крови. Оказывается, что при переливании крови от одного человека к другому не все группы совместимы. Граф показывает возможные варианты переливания крови. Группы крови - это вершины графа с соответствующими номерами, а стрелки указывают на возможность переливания одной группы крови человеку с другой группой крови. Например, из этого графа видно, что кровь I группы можно переливать любому человеку, а человек с I группой крови воспринимает только кровь своей группы. Видно также, что человеку с IV группой крови можно переливать любую, но его собственную кровь можно переливать только в ту же группу.

Связи между вершинами данного графа несимметричны и поэтому изображаются направленными линиями со стрелками. Такие линии принято называть дугами (в отличие от ребер неориентированных графов). Граф с такими свойствами называется ориентированным . Линия, выходящая и входящая в одну и ту же вершину, называется петлей . В данном примере присутствуют четыре петли.

Нетрудно понять преимущества изображения модели системы переливания крови в виде графа по сравнению со словесным описанием тех же самых правил. Граф легко воспринимается и запоминается.

Дерево - граф иерархической структуры

Весьма распространенным типом систем являются системы с иерархической структурой. Иерархическая структура естественным образом возникает, когда объекты или некоторые их свойства находятся в отношении соподчинения (вложения, наследования). Как правило, иерархическую структуру имеют системы административного управления, между элементами которых установлены отношения подчиненности. Например: директор завода - начальники цехов - начальники участков - бригадиры - рабочие. Иерархическую структуру имеют также системы, между элементами которых существуют отношения вхождения одних в другие.

Граф иерархической структуры называется деревом . Основным свойством дерева является то, что между любыми двумя его вершинами существует единственный путь. Деревья не содержат циклов и петель.

Посмотрите на граф, отражающий иерархическую административную структуру нашего государства: Российская Федерация делится на семь административных округов; округа делятся на регионы (области и национальные республики), в состав которых входят города и другие населенные пункты. Такой граф называется деревом .

Дерево административной структуры РФ

У дерева существует одна главная вершина, которая называется корнем дерева . Эта вершина изображается вверху; от нее идут ветви дерева. От корня начинается отсчет уровней дерева. Вершины, непосредственно связанные с корнем, образуют первый уровень. От них идут связи к вершинам второго уровня и т.д. Каждая вершина дерева (кроме корня) имеет одну исходную вершину на предыдущем уровне и может иметь множество порожденных вершин на следующем уровне. Такой принцип связи называется “один ко многим ”. Вершины, которые не имеют порожденных, называются листьями (на нашем графе это вершины, обозначающие города).

Графическое моделирование результатов научных исследований

Общую цель научной графики можно сформулировать так: сделать невидимое и абстрактное “видимым”. Последнее слово заключено в кавычки, так как эта “видимость” часто весьма условна. Можно ли увидеть распределение температуры внутри неоднородно нагретого тела сложной формы без введения в него сотен микродатчиков, т.е., по существу, его разрушения? - Да, можно, если есть соответствующая математическая модель и, что очень важно, договоренность о восприятии определенных условностей на рисунке. Можно ли увидеть распределение металлических руд под землей без раскопок? Строение поверхности чужой планеты по результатам радиолокации? На эти и множество других вопросов ответ - да, можно, с помощью компьютерной графики и предшествующей ей математической обработки.

Более того, можно “увидеть” и то, что, строго говоря, вообще плохо соответствует слову “видеть”. Так, возникшая на стыке химии и физики наука - квантовая химия - дает нам возможность “увидеть” строение молекулы. Эти изображения - верх абстракции и системы условностей, так как в атомном мире обычные наши понятия о частицах (ядрах, электронах и т.п.) принципиально неприменимы. Однако многоцветное “изображение” молекулы на экране компьютера для тех, кто понимает всю меру его условности, приносит большую пользу, чем тысячи чисел, являющихся результатами вычислений.

Изолинии

Стандартным приемом обработки результатов вычислительного эксперимента является построение линий (поверхностей), называемых изолиниями (изоповерхностями), вдоль которых некоторая функция имеет постоянное значение . Это очень распространенный прием визуализации характеристик некоторого скалярного поля в приближении сплошной среды: изотермы - линии равной температуры, изобары - линии равного давления, изолинии функции тока жидкости или газа, по которым легко можно представить себе их потоки, изолинии численностей экологической популяции на местности, изолинии концентрации вредных примесей в окружающей среде и т.д.

Изолинии течения

На рисунке изображены изолинии функции тока неравномерно нагретой жидкости в прямоугольной области течения. По этой картине можно наглядно судить о направлении потоков течения и их интенсивности.

Условные цвета, условное контрастирование

Еще один интересный прием современной научной графики - условная раскраска. Она находит широчайшее применение в самых разных приложениях науки и представляет собой набор приемов по максимально удобной визуализации результатов компьютерного моделирования.

В различных исследованиях температурных полей встает проблема наглядного представления результатов, например, температур на метеорологических картах. Для этого можно рисовать изотермы на фоне карты местности. Но можно добиться еще большей наглядности, учитывая, что большинству людей свойственно воспринимать красный цвет как “горячий”, синий - как “холодный”. Переход по спектру от красного к синему отражает промежуточные значения температур.

То же самое можно делать при иллюстрации температурного поля и на поверхности обрабатываемой на станке детали, и на поверхности далекой планеты.

При моделировании сложных органических молекул компьютер может выдавать результаты в виде многоцветной картины, на которой атомы водорода изображены одним цветом, углерода - другим и т.д., причем атом представлен шариком (кружочком), в пределах которого плотность цвета меняется в соответствии с распределением электронной плотности. При поиске полезных ископаемых методами аэрофотосъемки с самолетов или космических спутников компьютеры строят условные цветовые изображения распределений плотности под поверхностью Земли.

Изображения в условных цветах и контрастах - мощнейший прием научной графики. Он позволяет понять строение не только плоских, но и объемных (трехмерных) объектов, дает в руки исследователя один из замечательных методов познания.

Не следует путать изучение графического информационного моделирования с изучением технологий обработки графической информации. Когда ученики приступают к изучению моделирования, то обычно они уже знакомы с базовыми технологиями компьютерной графики: умеют пользоваться простыми графическими редакторами, умеют строить диаграммы в табличном процессоре или иной подходящей программе.

Построение простых графических моделей в форме графов и иерархических структур уместно уже в базовом курсе информатики в рамках изучения темы “Формализация и моделирование”. Построение генеалогического дерева семьи, иерархической системы школьного управления и т.п. является относительно несложным занятием, доступным большинству учащихся. При этом уместно использовать иллюстративные возможности систем компьютерной графики.

Что же касается самостоятельной реализации моделей научной графики через программирование, то это - материал повышенной трудности, практическая отработка которого уместна в профильном курсе информатики или в рамках элективного курса, направленного на углубленное изучение моделирования физических и других процессов.

2. Имитация модели

Имитационная модель воспроизводит поведение сложной системы взаимодействующих элементов . Для имитационного моделирования характерно наличие следующих обстоятельств (одновременно всех или некоторых из них):

· объект моделирования - сложная неоднородная система;

· в моделируемой системе присутствуют факторы случайного поведения;

· требуется получить описание процесса, развивающегося во времени;

· принципиально невозможно получить результаты моделирования без использования компьютера.

Состояние каждого элемента моделируемой системы описывается набором параметров, которые хранятся в памяти компьютера в виде таблиц. Взаимодействия элементов системы описываются алгоритмически. Моделирование осуществляется в пошаговом режиме. На каждом шаге моделирования изменяются значения параметров системы. Программа, реализующая имитационную модель, отражает изменение состояния системы, выдавая значения ее искомых параметров в виде таблиц по шагам времени или в последовательности происходящих в системе событий. Для визуализации результатов моделирования часто используется графическое представление, в т.ч. анимированное.

Детерминированное моделирование

Имитационная модель основана на подражании реальному процессу (имитации). Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения
и т.д. Эти условия обычно задаются в вербальной форме. Например: по истечении некоторого промежутка времени микроорганизм делится на две части, а по прошествии другого (большего) временноRго отрезка - погибает. Выполнение описанных условий алгоритмически реализуется в модели.

Другой пример: моделирование движения молекул в газе, когда каждая молекула представляется в виде шарика с определенным направлением и скоростью движения. Взаимодействие двух молекул или молекулы со стенкой сосуда происходит согласно законам абсолютно-упругого столкновения и легко описывается алгоритмически. Получение интегральных (общих, усредненных) характеристик системы производится на уровне статистической обработки результатов моделирования.

Такой компьютерный эксперимент фактически претендует на воспроизведение натурного эксперимента. На вопрос: “Зачем это нужно делать?” можно дать следующий ответ: имитационное моделирование позволяет выделить “в чистом виде” следствия гипотез, заложенных в представления о микрособытиях (т.е. на уровне элементов системы), избавив их от неизбежного в натурном эксперименте влияния других факторов, о которых мы можем даже не подозревать. Если такое моделирование включает и элементы математического описания процессов на микроуровне, и если исследователь при этом не ставит задачу поиска стратегии регулирования результатов (например, управления численностью колонии микроорганизмов), то отличие имитационной модели от математической (дескриптивной) оказывается достаточно условным.

Приведенные выше примеры имитационных моделей (эволюция колонии микроорганизмов, движение молекул в газе) приводят к детерминированному описанию систем. В них отсутствуют элементы вероятности, случайности событий в моделируемых системах. Рассмотрим пример моделирования системы, обладающей этими качествами.

Модели случайных процессов

Кому не случалось стоять в очереди и с нетерпением прикидывать, успеет ли он сделать покупку (или заплатить за квартиру, покататься на карусели и т.д.) за некоторое имеющееся в его распоряжении время? Или, пытаясь позвонить по телефону в справочную и натыкаясь несколько раз на короткие гудки, нервничать и оценивать - дозвонюсь или нет? Из таких “простых” проблем в начале XX века родилась новая отрасль математики - теория массового обслуживания , использующая аппарат теории вероятностей и математической статистики, дифференциальных уравнений и численных методов. Впоследствии выяснилось, что эта теория имеет многочисленные выходы в экономику, военное дело, организацию производства, биологию и экологию и т.д.

Компьютерное моделирование при решении задач массового обслуживания, реализуемое в виде метода статистических испытаний (метода Монте-Карло), играет важную роль. Возможности аналитических методов решения реально возникающих задач массового обслуживания весьма ограничены, в то время как метод статистических испытаний универсален и относительно прост.

Рассмотрим простейшую задачу этого класса. Имеется магазин с одним продавцом, в который случайным образом входят покупатели. Если продавец свободен, то он начинает обслуживать покупателя сразу, если зашло одновременно несколько покупателей - выстраивается очередь. Есть немало других аналогичных ситуаций:

· ремонтная зона в автохозяйстве и автобусы, сошедшие с линии из-за поломки;

· травмпункт и больные, пришедшие на прием по случаю травмы (т.е. без системы предварительной записи);

· телефонная станция с одним входом (или одной телефонисткой) и абоненты, которых при занятом входе ставят в очередь (такая система иногда практикуется);

· сервер локальной сети и персональные машины на рабочем месте, которые шлют сообщение серверу, способному воспринять разом и обработать не более одного сообщения.

Процесс прихода покупателей в магазин - случайный процесс. Промежутки времени между приходами любой последовательной пары покупателей - независимые случайные события, распределенные по некоторому закону, который может быть установлен лишь путем многочисленных наблюдений (либо для моделирования взят некоторый его правдоподобный вариант). Второй случайный процесс в этой задаче, никак не связанный с первым, - длительность обслуживания каждого из покупателей.

Целью моделирования систем такого вида является получение ответа на ряд вопросов. Относительно простой вопрос - какое в среднем время придется стоять в очереди при заданных законах распределения указанных выше случайных величин? Более сложный вопрос: каково распределение времен ожидания обслуживания в очереди? Не менее сложный вопрос: при каких соотношениях параметров входных распределений наступит кризис, при котором очередь до вновь вошедшего покупателя не дойдет никогда? Если задуматься над этой относительно простой задачей, возможные вопросы будут множиться.

Способ моделирования выглядит в общих чертах так. Используемые математические формулы - законы распределения исходных случайных величин; используемые числовые константы - эмпирические параметры, входящие в эти формулы. Не решается никаких уравнений, которые использовались бы при аналитическом исследовании данной задачи. Вместо этого происходит имитация очереди, разыгрываемая с помощью компьютерных программ, генерирующих случайные числа с заданными законами распределения. Затем производится статистическая обработка совокупности полученных значений величин, определяемых заданными целями моделирования. Например, находится оптимальное количество продавцов для разных периодов времени работы магазина, которое обеспечит отсутствие очередей. Математический аппарат, который здесь используется, называется методами математической статистики .

В статье “Моделирование экологических систем и процессов” 2 описан другой пример имитационного моделирования: одна из многих моделей системы “хищник-жертва”. Особи видов, находящихся в указанных отношениях, по определенным правилам, содержащим элементы случайности, перемещаются, хищники съедают жертв, и те и другие размножаются и т.д. Такая модель не содержит никаких математических формул, но требует статистической обработки результатов.

Пример алгоритма детерминированной имитационной модели

Рассмотрим имитационную модель эволюции популяции живых организмов, известную под названием “Жизнь”, которую легко реализовать на любом языке программирования.

Для построения алгоритма игры рассмотрим квадратное поле из n + 1 столбцов и строк с обычной нумерацией от 0 до n . Крайние граничные столбцы и строки для удобства определим как “мертвую зону”, они играют лишь вспомогательную роль.

Для любой внутренней клетки поля с координатами (i , j ) можно определить 8 соседей. Если клетка “живая”, ее закрашиваем, если клетка “мертвая”, она пустая .

Зададим правила игры. Если клетка (i , j ) “живая” и ее окружает более трех “живых” клеток, она погибает (от перенаселения). “Живая” клетка также погибает, если в ее окружении находится менее двух “живых” клеток (от одиночества). “Мертвая” клетка оживает, если вокруг нее появляются три “живые” клетки.

Для удобства введем двумерный массив A , элементы которого принимают значение 0, если соответствующая клетка пустая, и 1, если клетка “живая”. Тогда алгоритм определения состояния клетки с координатой (i , j ) можно определить следующим образом:

S:= А + А +

А + А

А + А +

А + А;

If (А = 1) And ((S > 3) Or

(S <)) Then B := 0;

If (A = 0) And (S = 3)

Then B := 1;

Здесь массив B определяет координаты поля на следующем этапе. Для всех внутренних клеток от i = 1 до n – 1 и j = 1 до n – 1 справедливо сказанное выше. Отметим, что последующие поколения определяются аналогично, стоит лишь осуществить процедуру переприсваивания:

For I:= 1 To N - 1 Do

For J:= 1 To N - 1 Do

A := B;

На экране дисплея удобнее выводить состояние поля не в матричном, а в графическом виде.

Осталось лишь определить процедуру задания начальной конфигурации игрового поля. При случайном определении начального состояния клеток подходит алгоритм

For I:= 1 To K Do

Begin K1:= Random(N - 1);

K2:= Random(N - 1) + 1;

Интереснее для пользователя самому задавать начальную конфигурацию, что легко осуществить. В результате экспериментов с этой моделью можно найти, например, устойчивые расселения живых организмов, которые никогда не погибают, оставаясь неизменными или изменяя свою конфигурацию с определенным периодом. Абсолютно неустойчивым (гибнущим во втором поколении) является расселение “крестом”.

В базовом курсе информатики ученики могут реализовать имитационную модель “Жизнь” в рамках раздела “Введение в программирование”. Более основательное освоение имитационного моделирования может происходить в старших классах в профильном или элективном курсе информатики. Далее будет говориться о таком варианте.

Начало изучения - лекция об имитационном моделировании случайных процессов. В российской школе понятия теории вероятностей и математической статистики лишь начинают внедряться в курс математики, и учителю следует быть готовым к тому, чтобы самому сделать введение в этот важнейший для формирования мировоззрения и математической культуры материал. Подчеркнем, что речь идет об элементарном введении в круг обсуждаемых понятий; это можно сделать за 1–2 часа.

Потом обсуждаем технические вопросы, связанные с генерацией на ЭВМ последовательностей случайных чисел с заданным законом распределения. Опираться при этом можно на то, что в каждом универсальном языке программирования есть датчик равномерно распределенных на отрезке от 0 до 1 случайных чисел. На данном этапе нецелесообразно вдаваться в сложный вопрос о принципах его реализации. Опираясь на имеющиеся датчики случайных чисел, показываем, как можно устроить

а) генератор равномерно распределенных случайных чисел на любом отрезке [a , b ];

б) генератор случайных чисел под практически любой закон распределения (например, используя интуитивно ясный метод “отбора-отказа”).

Начать рассмотрение описанной выше задачи массового обслуживания целесообразно с обсуждения истории решения проблем массового обслуживания (задача Эрланга об обслуживании запросов на телефонной станции). Затем следует рассмотрение простейшей задачи, которую можно сформулировать на примере формирования и обслуживания очереди в магазине с одним продавцом. Отметим, что на первом этапе моделирования распределения случайных величин на входе можно принять равновероятными, что хоть и не реалистично, но снимает ряд трудностей (для генерации случайных чисел можно просто использовать встроенный в язык программирования датчик).

Обращаем внимание учащихся на то, какие вопросы ставятся в первую очередь при моделировании систем такого вида. Во-первых, это вычисление средних значений (математических ожиданий) некоторых случайных величин. Например, какое среднее время приходится стоять в очереди к прилавку? Или: найти среднее время, проведенное продавцом в ожидании покупателя.

Задача учителя, в частности, состоит в том, чтобы разъяснить, что выборочные средние сами по себе - случайные величины; в другой выборке того же объема они будут иметь другие значения (при больших объемах выборки - не слишком отличающиеся друг от друга). Далее возможны варианты: в более подготовленной аудитории можно показать способ оценивания доверительных интервалов, в которых находятся математические ожидания соответствующих случайных величин при заданных доверительных вероятностях (известными из математической статистики методами без попытки обоснования). В менее подготовленной аудитории можно ограничиться чисто эмпирическим утверждением: если в нескольких выборках равного объема средние значения совпали в некотором десятичном знаке, то этот знак скорее всего верен. Если при моделировании не удается достичь желаемой точности, следует увеличить объем выборки.

В еще более подготовленной в математическом отношении аудитории можно ставить вопрос: каково распределение случайных величин, являющихся результатами статистического моделирования, при заданных распределениях случайных величин, являющихся его входными параметрами? Поскольку изложение соответствующей математической теории в данном случае невозможно, следует ограничиться эмпирическими приемами: построение гистограмм итоговых распределений и сравнение их с несколькими типичными функциями распределения.

После отработки первичных навыков указанного моделирования переходим к более реалистической модели, в которой входные потоки случайных событий распределены, например, по Пуассону. Это потребует от учащихся дополнительно освоить метод генерирования последовательностей случайных чисел с указанным законом распределения.

В рассмотренной задаче, как и в любой более сложной задаче об очередях, может возникнуть критическая ситуация, когда очередь неограниченно растет со временем. Моделирование приближения к критической ситуации по мере возрастания одного из параметров - интересная исследовательская задача для наиболее подготовленных учащихся.

На примере задачи об очереди отрабатываются сразу несколько новых понятий и навыков:

· понятия о случайных процессах;

· понятия и простейшие навыки имитационного моделирования;

· построение оптимизационных имитационных моделей;

· построение многокритериальных моделей (путем решения задач о наиболее рациональном обслуживании покупателей в сочетании с интересами владельца магазина).

3. Математические модели

Математическая модель - приближенное описание объекта моделирования, выраженное с помощью математической символики .

Математические модели появились вместе с математикой много веков назад. Огромный толчок развитию математического моделирования придало появление ЭВМ. Применение вычислительных машин позволило проанализировать и применить на практике многие математические модели, которые раньше не поддавались аналитическому исследованию. Реализованная на компьютере математическая модель называется компьютерной математической моделью , а проведение целенаправленных расчетов с помощью компьютерной модели называется вычислительным экспериментом .

Этапы компьютерного математического моделирования изображены на рисунке. Первый этап - определение целей моделирования . Эти цели могут быть различными:

1) модель нужна для того, чтобы понять, как устроен конкретный объект, какова его структура, основные свойства, законы развития и взаимодействия с окружающим миром (понимание);

2) модель нужна для того, чтобы научиться управлять объектом (или процессом) и определить наилучшие способы управления при заданных целях и критериях (управление);

3) модель нужна для того, чтобы прогнозировать прямые и косвенные последствия реализации заданных способов и форм воздействия на объект (прогнозирование).

Поясним на примерах. Пусть объект исследования - взаимодействие потока жидкости или газа с телом, являющимся для этого потока препятствием. Опыт показывает, что сила сопротивления потоку со стороны тела растет с ростом скорости потока, но при некоторой достаточно высокой скорости эта сила скачком уменьшается с тем, чтобы с дальнейшим увеличением скорости снова возрасти. Что же вызвало уменьшение силы сопротивления? Математическое моделирование позволяет получить четкий ответ: в момент скачкообразного уменьшения сопротивления вихри, образующиеся в потоке жидкости или газа позади обтекаемого тела, начинают отрываться от него и уноситься потоком.

Пример совсем из другой области: мирно сосуществовавшие со стабильными численностями популяции двух видов особей, имеющих общую кормовую базу, “вдруг” начинают резко менять численность. И здесь математическое моделирование позволяет (с известной долей достоверности) установить причину (или по крайней мере опровергнуть определенную гипотезу).

Выработка концепции управления объектом - другая возможная цель моделирования. Какой режим полета самолета выбрать для того, чтобы полет был безопасным и экономически наиболее выгодным? Как составить график выполнения сотен видов работ на строительстве большого объекта, чтобы оно закончилось в максимально короткий срок? Множество таких проблем систематически возникает перед экономистами, конструкторами, учеными.

Наконец, прогнозирование последствий тех или иных воздействий на объект может быть как относительно простым делом в несложных физических системах, так и чрезвычайно сложным - на грани выполнимости - в системах биолого-экономических, социальных. Если ответить на вопрос об изменении режима распространения тепла в тонком стержне при изменениях в составляющем его сплаве относительно легко, то проследить (предсказать) экологические и климатические последствия строительства крупной ГЭС или социальные последствия изменений налогового законодательства несравненно труднее. Возможно, и здесь методы математического моделирования будут оказывать в будущем более значительную помощь.

Второй этап: определение входных и выходных параметров модели; разделение входных параметров по степени важности влияния их изменений на выходные. Такой процесс называется ранжированием, или разделением по рангам (см. “Формализация и моделирование ”).

Третий этап: построение математической модели. На этом этапе происходит переход от абстрактной формулировки модели к формулировке, имеющей конкретное математическое представление. Математическая модель - это уравнения, системы уравнений, системы неравенств, дифференциальные уравнения или системы таких уравнений и пр.

Четвертый этап: выбор метода исследования математической модели. Чаще всего здесь используются численные методы, которые хорошо поддаются программированию. Как правило, для решения одной и той же задачи подходит несколько методов, различающихся точностью, устойчивостью и т.д. От верного выбора метода часто зависит успех всего процесса моделирования.

Пятый этап: разработка алгоритма, составление и отладка программы для ЭВМ - трудно формализуемый процесс. Из языков программирования многие профессионалы для математического моделирования предпочитают FORTRAN: как в силу традиций, так и в силу непревзойденной эффективности компиляторов (для расчетных работ) и наличия написанных на нем огромных, тщательно отлаженных и оптимизированных библиотек стандартных программ математических методов. В ходу и такие языки, как PASCAL, BASIC, C, - в зависимости от характера задачи и склонностей программиста.

Шестой этап: тестирование программы. Работа программы проверяется на тестовой задаче с заранее известным ответом. Это - лишь начало процедуры тестирования, которую трудно описать формально исчерпывающим образом. Обычно тестирование заканчивается тогда, когда пользователь по своим профессиональным признакам сочтет программу верной.

Седьмой этап: собственно вычислительный эксперимент, в процессе которого выясняется, соответствует ли модель реальному объекту (процессу). Модель достаточно адекватна реальному процессу, если некоторые характеристики процесса, полученные на ЭВМ, совпадают с экспериментально полученными характеристиками с заданной степенью точности. В случае несоответствия модели реальному процессу возвращаемся к одному из предыдущих этапов.

Классификация математических моделей

В основу классификации математических моделей можно положить различные принципы. Можно классифицировать модели по отраслям наук (математические модели в физике, биологии, социологии и т.д.). Можно классифицировать по применяемому математическому аппарату (модели, основанные на применении обыкновенных дифференциальных уравнений, дифференциальных уравнений в частных производных, стохастических методов, дискретных алгебраических преобразований и т.д.). Наконец, если исходить из общих задач моделирования в разных науках безотносительно к математическому аппарату, наиболее естественна такая классификация:

· дескриптивные (описательные) модели;

· оптимизационные модели;

· многокритериальные модели;

· игровые модели.

Поясним это на примерах.

Дескриптивные (описательные) модели. Например, моделирование движения кометы, вторгшейся в Солнечную систему, производится с целью предсказания траектории ее полета, расстояния, на котором она пройдет от Земли, и т.д. В этом случае цели моделирования носят описательный характер, поскольку нет никаких возможностей повлиять на движение кометы, что-то в нем изменить.

Оптимизационные модели используются для описания процессов, на которые можно воздействовать, пытаясь добиться достижения заданной цели. В этом случае в модель входит один или несколько параметров, доступных влиянию. Например, меняя тепловой режим в зернохранилище, можно задаться целью подобрать такой режим, чтобы достичь максимальной сохранности зерна, т.е. оптимизировать процесс хранения.

Многокритериальные модели. Нередко приходится оптимизировать процесс по нескольким параметрам одновременно, причем цели могут быть весьма противоречивыми. Например, зная цены на продукты и потребность человека в пище, нужно организовать питание больших групп людей (в армии, детском летнем лагере и др.) физиологически правильно и, одновременно с этим, как можно дешевле. Ясно, что эти цели совсем не совпадают, т.е. при моделировании будет использоваться несколько критериев, между которыми нужно искать баланс.

Игровые модели могут иметь отношение не только к компьютерным играм, но и к весьма серьезным вещам. Например, полководец перед сражением при наличии неполной информации о противостоящей армии должен разработать план: в каком порядке вводить в бой те или иные части и т.д., учитывая и возможную реакцию противника. Есть специальный раздел современной математики - теория игр, - изучающий методы принятия решений в условиях неполной информации.

В школьном курсе информатики начальное представление о компьютерном математическом моделировании ученики получают в рамках базового курса. В старших классах математическое моделирование может глубоко изучаться в общеобразовательном курсе для классов физико-математического профиля, а также в рамках специализированного элективного курса.

Основными формами обучения компьютерному математическому моделированию в старших классах являются лекционные, лабораторные и зачетные занятия. Обычно работа по созданию и подготовке к изучению каждой новой модели занимает 3–4 урока. В ходе изложения материала ставятся задачи, которые в дальнейшем должны быть решены учащимися самостоятельно, в общих чертах намечаются пути их решения. Формулируются вопросы, ответы на которые должны быть получены при выполнении заданий. Указывается дополнительная литература, позволяющая получить вспомогательные сведения для более успешного выполнения заданий.

Формой организации занятий при изучении нового материала обычно служит лекция. После завершения обсуждения очередной модели учащиеся имеют в своем распоряжении необходимые теоретические сведения и набор заданий для дальнейшей работы. В ходе подготовки к выполнению задания учащиеся выбирают подходящий метод решения, с помощью какого-либо известного частного решения тестируют разработанную программу. В случае вполне возможных затруднений при выполнении заданий дается консультация, делается предложение более детально проработать указанные разделы в литературных источниках.

Наиболее соответствующим практической части обучения компьютерному моделированию является метод проектов. Задание формулируется для ученика в виде учебного проекта и выполняется в течение нескольких уроков, причем основной организационной формой при этом являются компьютерные лабораторные работы. Обучение моделированию с помощью метода учебных проектов может быть реализовано на разных уровнях. Первый - проблемное изложение процесса выполнения проекта, которое ведет учитель. Второй - выполнение проекта учащимися под руководством учителя. Третий - самостоятельное выполнение учащимися учебного исследовательского проекта.

Результаты работы должны быть представлены в численном виде, в виде графиков, диаграмм. Если имеется возможность, процесс представляется на экране ЭВМ в динамике. По окончанию расчетов и получению результатов проводится их анализ, сравнение с известными фактами из теории, подтверждается достоверность и проводится содержательная интерпретация, что в дальнейшем отражается в письменном отчете.

Если результаты удовлетворяют ученика и учителя, то работа считается завершенной, и ее конечным этапом является составление отчета. Отчет включает в себя краткие теоретические сведения по изучаемой теме, математическую постановку задачи, алгоритм решения и его обоснование, программу для ЭВМ, результаты работы программы, анализ результатов и выводы, список использованной литературы.

Когда все отчеты составлены, на зачетном занятии учащиеся выступают с краткими сообщениями о проделанной работе, защищают свой проект. Это является эффективной формой отчета группы, выполняющей проект, перед классом, включая постановку задачи, построение формальной модели, выбор методов работы с моделью, реализацию модели на компьютере, работу с готовой моделью, интерпретацию полученных результатов, прогнозирование. В итоге учащиеся могут получить две оценки: первую - за проработанность проекта и успешность его защиты, вторую - за программу, оптимальность ее алгоритма, интерфейс и т.д. Учащиеся получают отметки и в ходе опросов по теории.

Существенный вопрос - каким инструментарием пользоваться в школьном курсе информатики для математического моделирования? Компьютерная реализация моделей может быть осуществлена:

· с помощью табличного процессора (как правило, MS Excel);

· путем создания программ на традиционных языках программирования (Паскаль, Бейсик и др.), а также на их современных версиях (Delphi, Visual Basic for Application и т.п.);

· с помощью специальных пакетов прикладных программ для решения математических задач (MathCAD и т.п.).

На уровне основной школы первое средство представляется более предпочтительным. Однако в старшей школе, когда программирование является, наряду с моделированием, ключевой темой информатики, желательно привлекать его в качестве инструмента моделирования. В процессе программирования учащимся становятся доступными детали математических процедур; более того, они просто вынуждены их осваивать, а это способствует и математическому образованию. Что же касается использования специальных пакетов программ, то это уместно в профильном курсе информатики в качестве дополнения к другим инструментам.

4. Моделирование глобальных процессов

Модели, используемые в различных науках (физике, биологии, экономике и др.), представляют собой математические образы относительно обособленных процессов и явлений. Каждая из них позволяет решать задачи, важные для конкретной науки или вида деятельности. Но все это по своей общечеловеческой важности уступает самому значительному для людей вопросу: каково ближайшее будущее человечества как вида в целом? Как будет развиваться мир в обозримом будущем? Подчеркнем, что речь идет не о политических или экономических прогнозах для какой-то конкретной страны или общества, а о человечестве в целом - какое у него (у нас всех, живущих на Земле) будущее?

Люди в текущей жизни имеют много конкретных проблем и мало склонны к таким общим размышлениям. Жизнь отдельного человека слишком коротка, и еще век-другой назад глобальные изменения в мире на протяжении жизни одного человека были мало заметны, даже если он жил в достаточно бурную эпоху. Но в XX веке темпы событий ускорились так, как никогда в истории человечества. Все чаще стали звучать предсказания грядущих глобальных катастроф: гибель природы из-за промышленных загрязнений, появления “озоновых дыр” в защищающей нас от космических излучений стратосфере, истощение средств воспроизведения кислорода из-за массовой вырубки лесов и т.д. Даже не столь катастрофическое событие - например, истощение природных ископаемых - может привести к радикальным переменам в образе жизни человечества, и в первую очередь в странах, которые сегодня являются наиболее промышленно развитыми.

Будущее человечества определяется огромным количеством процессов, частично им контролируемых, частично нет, и эти процессы настолько взаимосвязаны и имеют столь противоречивые последствия, что лишь математическое моделирование их во всей разумной совокупности, реализуемое на современных компьютерах, может дать качественно верный прогноз. Как бы велико ни было неизбежное огрубление реальности при таком моделировании, факторов первостепенного значения так много, что проследить их взаимодействие не под силу даже самому могучему уму.

Соответствующие модели, получившие название глобальных (всеохватывающих), впервые возникли в 70-х годах прошлого века. Наиболее известны модели WORLD-1 (МИР-1), WORLD-2, WORLD-3, сформулированные и изученные группой сотрудников Массачусетсского технологического института (США) под руководством Д.Х. Медоуз и Д.Форрестера. Результаты их работ в свое время произвели в мире сенсацию, ибо большинство сценариев возможного развития событий вели к финалам, которые можно назвать концом света (разумеется, с точки зрения человечества). Вместе с тем авторы не раз подчеркивали, что речь идет не о заведомо предопределенном будущем, а о выборе путей развития человечества, среди которых есть и ведущие к стабильности, к благополучному существованию человечества.

Что может являться причиной возможной нестабильности? Характерной чертой жизни человечества в эпоху после начала промышленной революции стал быстрый - часто экспоненциально быстрый - рост многих показателей. Период удвоения численности населения Земли составляет примерно 40 лет (наличие такого постоянного периода - характерная черта экспоненциального роста). Биологи и экологи хорошо знают, что экспоненциальное наращивание численности популяции чаще всего кончается катастрофой - истощаются источники, поддерживающие ее существование. С точки зрения существования вида это не трагедия (кроме уникальных случаев, когда данный вид весь сводится к одной популяции). Однако в наше время человечество израсходовало почти все ресурсы для экстенсивного роста и распространения “вширь”. Объем промышленного производства в XX веке также возрастал практически экспоненциально с годовым темпом прироста в среднем на 3,3%. Это приводит к истощению природных ресурсов - полезных ископаемых, чистой воды, чистого воздуха. Содержание в атмосфере одного из устойчивых соединений углерода (диоксида) в результате сжигания органического топлива и истощения лесов возросло с начала века на треть; потенциально это ведет к глобальному потеплению на Земле с самыми катастрофическими последствиями. Чем больше людей, тем больше необходимо продуктов питания, и мировой объем вносимых минеральных удобрений растет экспоненциально с периодом удвоения около 15 лет. Ясно и без всякого моделирования, что подобная жизнь с безудержным ростом всего и вся не может длиться долго - а ныне “долго” сопоставимо со сроком жизни двух-трех поколений.

Трудность отслеживания последствий такого хода событий еще и в том, что каждый отдельно взятый глобальный процесс нельзя однозначно назвать “хорошим” или “плохим” с точки зрения влияния на судьбу человечества. Например, увеличение производства удобрений ведет к увеличению производства продуктов питания - это “хорошо”. Но “плохо”, что тот же процесс ведет к уменьшению запасов чистой пресной воды, которую портят удобрения, попадающие через почву с дождями в реки и подземные источники. Помимо этого, увеличение производства удобрений ведет к необходимости увеличения производства энергии и связанному с этим химическому и тепловому загрязнению почвы, атмосферы и т.д. Взвесить влияние подобных ситуаций на развитие человечества можно лишь путем комплексного учета одновременно всех факторов.

Существуют ли возможности избежать катастрофических последствий для развития человечества? В результате моделирования были сформулированы следующие три правила, соблюдение которых, по мнению авторов моделей, необходимо для глобальной устойчивости:

1. Для возобновляемых ресурсов (лес, вода, рыба и т.д.) темпы потребления не должны превышать темпов естественного восстановления.

2. Для невозобновляемых ресурсов (уголь, нефть, руды и т.д.) темпы потребления не должны превышать темпов их замены на возобновляемые (развитие солнечной и ветровой энергетики, посадка лесов и т.д.) и темпов развития новых технологий для обеспечения смены ресурсов; чтобы после исчезновения, к примеру, нефти был обеспечен приток энергии от нового ресурса.

3. Для загрязняющих веществ предельная интенсивность выбросов не должна превышать темпов, с которыми эти вещества перерабатываются или теряют вредные для окружающей среды свойства.

В настоящее время человечество, к сожалению, не руководствуется этими правилами. Если в прошлые века это не представляло опасности для вида в целом, то в наши дни ситуация изменилась.

Опишем коротко одну из глобальных моделей - WORLD-3 (МИР-3). Модель состоит из пяти секторов:

· стойкие загрязнения;

· невозобновляемые ресурсы;

· население;

· сельское хозяйство (производство продуктов питания, плодородие земель, освоение земель);

· экономика (промышленное производство, производство услуг, рабочие места).

Исходными являются первичные взаимосвязи, такие, как:

· численность населения и запасы промышленного капитала;

· численность населения и площадь возделываемых земель;

· площадь возделываемых земель и объем промышленного капитала;

· численность населения и капитал сектора услуг;

· капитал сектора услуг и промышленный капитал и т.д.

В каждом секторе прослеживаются все первичные взаимосвязи и выражаются математическими соотношениями. По мере необходимости учитываются процессы материального и информационного запаздывания, так как реакция, скажем, численности населения на улучшение питания является не мгновенной, а запаздывающей. Это типично для большинства рассматриваемых процессов.

Модель WORLD-3 носит черты дескриптивные и оптимизационные. Ее основное назначение - представить возможные пути достижения экономикой (в широком смысле термина) такой численности населения планеты, которая может поддерживаться окружающей средой неопределенно долгое время. Она не предсказывает развитие конкретной страны, не решает никаких локальных вопросов. Модель исходит из того, что на Земле существует глобальное сообщество.

Динамика численности населения - интегральная характеристика, которая вбирает в себя все факторы. Чисто умозрительно возможны два типа устойчивых динамик (непрерывный рост или плавное приближение к равновесию) и три типа неустойчивых, связанных с выходом за пределы допустимого (колебания с последующим выходом на стационар, хаотические колебания и коллапс, т.е. исчезновение вида). Непрерывный рост представляется совершенно нереалистическим, последняя из неустойчивых динамик - трагедией для человечества, а за резкими колебаниями, как нетрудно догадаться, стоят войны, эпидемии, голод - то, что часто происходит в реальности.

Типичные для модели WORLD взаимосвязи, находящие выражения математическими средствами (дифференциальными и “обычными” уравнениями), приведены на рисунке. Он демонстрирует связи между численностью населения, промышленным капиталом, площадью возделываемых земель и загрязнением окружающей среды. Каждая стрелка на рисунке указывает наличие причинной связи, которая может быть непосредственной или запаздывающей, положительной или отрицательной.

Контуры обратных связей чсленности населения, капитала, сельскохозяйственного производства и загрязнения окружающей среды

Понятия положительной и отрицательной обратной связи взяты из теории автоматического регулирования (раздела кибернетики). Причинно-следственная связь между двумя элементами называется отрицательной , если изменение одного элемента передается второму, возвращается от него к первому и изменяет его в направлении, противоположном первоначальному (подавляет), и положительной , если это изменение, возвращаясь к первому, усиливает его. Если элементов не два, а больше, то говорят о контуре обратной связи , через которую сигнал проходит по кругу, возвращаясь к источнику и влияя на него.

Некоторый набор таких рисунков графически исчерпывает модель WORLD. Однако за каждой стрелкой - первичные взаимосвязи, а за каждой из них - уравнения, в которые входит ряд параметров. Фактически именно значения этих параметров и определяют результаты, поэтому к их анализу привлекаются как многочисленные узкие специалисты, так и многие эмпирические (статистические) данные, собранные в десятках справочников, отчетов ООН и отдельных государств. Количество взаимосвязанных переменных в модели WORLD-3 равно 225, параметров - еще больше.

Результаты глобального моделирования

Опубликованные “сценарии” развития человечества, следующие из моделей WORLD, охватывают промежуток времени от 1900 до 2100 года. Первые 100 лет, уже прошедшие, позволяют “настраивать” модель, определить степень ее достоверности.

Первый из сценариев основан на гипотезе, что все будет развиваться без серьезных изменений, глобальных политических катаклизмов, без особых усилий по сохранению ресурсов и уменьшению загрязнения окружающей среды. Модель предсказывает катастрофические результаты такого развития.

Вместе с тем модель WORLD позволяет найти пути регулируемого развития, которое ведет к плавному (“сигмоидному”) поведению основных переменных. Этот путь связан с самоограничениями и переходом на усовершенствованные промышленные и сельскохозяйственные технологии.

5. Моделирование процессов оптимального планирования

Постановка задачи оптимального планирования

Планирование - важнейший этап экономической и управленческой деятельности. Объектом планирования может быть деятельность подразделения или всего предприятия, отрасли промышленности или сельского хозяйства, региона, наконец, государства.

Постановка задачи планирования в общем случае выглядит следующим образом:

· имеются некоторые плановые показатели: X , Y , …;

· имеются некоторые ресурсы: R 1, R 2, …, за счет которых эти плановые показатели могут быть достигнуты;

· имеется определенная стратегическая цель, зависящая от значений плановых показателей, на которую следует ориентировать планирование.

Задача оптимального планирования заключается в определении значений плановых показателей с учетом ограниченности ресурсов при условии достижения стратегической цели.

Приведем примеры. Пусть объектом планирования является детский сад. Ограничимся лишь двумя плановыми показателями: числом детей и числом воспитателей. Основными ресурсами деятельности детского сада являются размер финансирования и размер помещения. А каковы стратегические цели? Естественно, одной из них является сохранение и укрепление здоровья детей. Количественной мерой этой цели является минимизация заболеваемости воспитанников детского сада.

Другой пример: планирование экономической деятельности государства. Безусловно, это слишком сложная задача для детального анализа. Плановых показателей очень много: это производство различных видов промышленной и сельскохозяйственной продукции, подготовка специалистов, выработка электроэнергии, размер зарплаты работников бюджетной сферы и многое другое. К ресурсам относятся: количество работоспособного населения, бюджет государства, природные ресурсы, энергетика, возможности транспортных систем и пр. Разумеется, каждый из этих видов ресурсов ограничен. Кроме того, важнейшим ресурсом является время, отведенное на выполнение плана.

Вопрос о стратегических целях в этом случае очень сложен. У государства их много, но в разные периоды истории приоритеты могут меняться. Например, в военное время главной целью является максимальная обороноспособность, военная мощь страны. В мирное время в современном цивилизованном государстве приоритетной целью должно быть достижение максимального уровня жизни населения.

Решение задач оптимального планирования чаще всего является сложным и недоступным при использовании лишь человеческого опыта (эмпирических методов). Для решения таких задач строится математическая модель , устанавливающая связь между параметрами задачи. Следовательно, оптимальное планирование осуществляется путем применения математического моделирования. Как правило, такие модели для реальных ситуаций не поддаются аналитическому решению, поэтому используются численные методы решения, реализуемые на компьютере.

Пример математической модели оптимального планирования

Рассмотрим простой пример, с помощью которого можно получить представление об одном из классов задач оптимального планирования.

Школьный кондитерский цех готовит пирожки и пирожные. В силу ограниченности емкости склада за день можно приготовить в совокупности не более 700 изделий. Рабочий день в кондитерском цехе длится 8 часов. Поскольку производство пирожных более трудоемко, то, если выпускать только их, за день можно произвести не более 250, пирожков же можно произвести 1000 (если при этом не выпускать пирожных). Стоимость пирожного вдвое выше, чем пирожка. Требуется составить дневной план производства, обеспечивающий кондитерскому цеху наибольшую выручку.

Сформулируем эту задачу математически. Плановыми показателями являются:

x - дневной план выпуска пирожков;

y - дневной план выпуска пирожных.

Ресурсы производства - это:

· длительность рабочего дня - 8 часов;

· вместимость складского помещения - 700 мест.

Получим соотношения, следующие из условий ограниченности времени работы цеха и вместимости склада, т.е. суммарного числа изделий. Из постановки задачи следует, что на изготовление одного пирожного затрачивается в 4 раза больше времени, чем на 1 пирожок. Если обозначить время изготовления пирожка t мин., то время изготовления пирожного равно 4t мин. Стало быть, суммарное время на изготовление x пирожков и y пирожных равно tx + 4ty = (x + 4y )t. Но это время не может быть больше длительности рабочего дня. Отсюда следует неравенство (x + 4y )t 8 ? 60, или (x + 4y )t 480.

Поскольку за рабочий день может быть изготовлено 1000 пирожков, то на один тратится 480/1000 = 0,48 мин. Подставляя это значение в неравенство, получим: (x + 4y ) ? 0,48 480. Отсюда x + 4y 1000. Ограничение на общее число изделий дает очевидное неравенство x + y 700.

К двум полученным неравенствам следует добавить условия положительности значений величин x и y (не может быть отрицательного числа пирожков и пирожных). В итоге мы получили систему неравенств:

x + 4y 1000, x + y 700, x 0, y 0 ()

Формализуем стратегическую цель: получение максимальной выручки. Выручка - это стоимость всей проданной продукции. Пусть цена одного пирожка r рублей. По условию задачи, цена пирожного в два раза больше, т.е. 2r рублей. Отсюда стоимость всей произведенной за день продукции равна rx + 2ry = r (x + 2y ). Целью производства является получение максимальной выручки. Будем рассматривать записанное выражение как функцию от x , y : F (x, y ) = r (x + 2y ). Поскольку r - константа, то максимальное значение F (x, y ) будет достигнуто при максимальной величине выражения x + 2y. Поэтому в качестве функции, максимум которой соответствует стратегической цели, можно принять

f (x , y ) = x + 2y ()

Следовательно, получение оптимального плана свелось к следующей математической задаче: найти значения плановых показателей x и y, удовлетворяющих системе неравенств () и придающих максимальное значение целевой функции ().

Приведенный выше пример относится к классу задач линейного программирования . В теории оптимального планирования существует несколько классов задач, из которых линейное программирование - самый простой вариант. Изучение математических методов решения таких задач выходит за рамки целей школьного образования.

Вместе с тем было бы не логично ограничиться лишь теоретической постановкой задач оптимального планирования. Современные информационные технологии позволяют решать некоторые задачи оптимального планирования (и, в частности, линейного программирования) без проникновения в существо применяемых математических методов. В частности, такие средства имеются в табличном процессоре Excel, и на их основе можно продемонстрировать ученикам приемы решения конкретных задач. Средство, о котором идет речь, называется Поиск решения.Соответствующая команда находится в меню Сервис. Опишем кратко, как воспользоваться указанным средством для решения поставленной выше задачи.

Вначале подготовим таблицу к решению задачи оптимального планирования.

Ячейки B5 и C5 зарезервированы, соответственно, для значений x (план по изготовлению пирожков) и y (план по изготовлению пирожных). Левые части неравенств в столбце В, правые - в столбце D; знаки “<=” и т.д. в столбце С программой реально не используются. Целевая функция занесена в ячейку В15.

Вызовем программу оптимизации и сообщим ей, где расположены данные. Для этого выполним команду Ю Сервис Ю Поиск решения. На экране откроется соответствующая форма. Будем действовать по следующему алгоритму:

1. Введем координату ячейки с целевой функцией. В нашем случае это В15. (Заметим, что если перед этим установить курсор на ячейку В15, то ввод произойдет автоматически.)

2. Поставим отметку “Равной максимальному значению”, т.е. сообщим программе, что нас интересует нахождение максимума целевой функции.

3. В поле “Изменяя ячейки” введем В5:С5, т.е. сообщим, какое место отведено под значения переменных - плановых показателей.

4. В поле “Ограничения” надо ввести информацию о неравенствах-ограничениях, которые имеют вид: B10<=D10; B11<=D11; B12>=D12; B13>=D13. Ограничения вводятся следующим образом:

· щелкнуть по кнопке “Добавить”;

· в появившемся диалоговом окне “Добавление ограничения” вводим ссылку на ячейку В10, выбираем из меню знак неравенства “<=” и вводим ссылку на ячейку D10; снова щелкаем по кнопке “Добавить”, аналогично вводим второе ограничение B11<=D11 и т.д.

5. Закрываем диалоговое окно “Добавление ограничения”. Перед нами - подготовленная форма “Поиск решения”.

6. Щелкаем по кнопке “Выполнить” - в ячейках В5 и С5 появляется оптимальное решение (числа 600 и 100), а также число 800 в ячейке В15 - максимальное значение целевой функции.

6. Моделирование физических систем и процессов

Физическая наука неразрывно связана с математическим моделированием со времен Исаака Ньютона (XVII–XVIII вв.). И.Ньютон открыл фундаментальные законы механики, закон всемирного тяготения, описав их на языке математики. И.Ньютон (наряду с Г.Лейбницем) разработал дифференциальное и интегральное исчисления, ставшие основой математического аппарата физики. Все последующие физические открытия (в термодинамике, электродинамике, атомной физике и пр.) представлялись в форме законов и принципов, описываемых на математическом языке, т.е. в форме математических моделей.

Можно сказать, что решение любой физической задачи теоретическим путем есть математическое моделирование . Однако возможность теоретического решения задачи ограничивается степенью сложности ее математической модели. Математическая модель тем сложнее, чем сложнее описываемый с ее помощью физический процесс, и тем проблематичнее становится использование такой модели для расчетов.

В простейшей ситуации решение задачи можно получить “вручную” аналитически. В большинстве же практически важных ситуаций найти аналитическое решение не удается из-за математической сложности модели. В таком случае используются численные методы решения задачи, эффективная реализация которых возможна только на компьютере. Иначе говоря, физические исследования на основе сложных математических моделей производятся путем компьютерного математического моделирования . В связи с этим в ХХ веке наряду с традиционным делением физики на теоретическую и экспериментальную возникло новое направление - “вычислительная физика”.

Исследование на компьютере физических процессов называют вычислительным экспериментом. Тем самым вычислительная физика прокладывает мост между теоретической физикой, из которой она черпает математические модели, и экспериментальной физикой, реализуя виртуальный физический эксперимент на компьютере. Использование компьютерной графики при обработке результатов вычислений обеспечивает наглядность этих результатов, что является важнейшим условием для их восприятия и интерпретации исследователем.

Пример математического моделирования физического процесса

Основным законом механики является второй закон Ньютона, связывающий силу, действующую на тело, его массу и ускорение, получаемое в результате действия силы. В школьной физике этот закон представляется в следующем виде:

При этом подразумевается, что сила и масса - постоянные величины. В таком случае и ускорение тоже будет постоянной величиной. Следовательно, уравнение (1) моделирует равноускоренное движение тела с постоянной массой под действием постоянной силы.

Применимость такой модели ограничена. Ее нельзя использовать для расчета движения тел с переменной массой и переменной силой. Например, при полете ракеты ее масса уменьшается за счет выгорания топлива, т.е. масса является функцией времени: m (t ). Вследствие этого ускорение тоже становится переменной величиной и математическая модель изменится:

Учтем, что ускорение - это производная от скорости (v ) по времени, и опишем функцию изменения массы со временем (пусть она будет линейной); получим следующую математическую модель движения:

(2)

Здесь m 0 - начальная масса ракеты, q (кг/с) - параметр, определяющий скорость сгорания топлива. Уравнение (2) - это дифференциальное уравнение, в отличие от линейного алгебраического уравнения (1). Математическая модель усложнилась! Решать уравнение (2) значительно сложнее, чем (1). Если же учесть еще и возможность изменения со временем силы F (t ) (сила тяги ракетного двигателя в процессе запуска - переменная величина), то модель станет еще сложнее:

(3)

При движении тел в атмосфере (или в жидкой среде) необходимо учитывать сопротивление среды - силу трения. Сила трения имеет две составляющие: пропорциональную первой степени скорости тела и пропорциональную ее квадрату. Теперь уравнение движения примет вид:

, (4), (5)

Здесь k 1 и k 2 - эмпирические коэффициенты. Уравнение (5) связывает скорость с перемещением. Модель (4)–(5) стала ближе к физически реальной ситуации, но сложнее с математической точки зрения. Используя ее, можно получить ответы на практически важные вопросы. Например: при заданной F (t ) определить, через сколько времени и на какой высоте ракета достигнет первой космической скорости. Или решить обратную задачу: какой должна быть сила тяги двигателя для того, чтобы на заданной высоте ракета достигла первой космической скорости? Если учитывать еще тот факт, что коэффициенты k 1 и k 2 - переменные величины, поскольку они зависят от плотности атмосферного воздуха, которая уменьшается с высотой, математическая модель (4)–(5) становится достаточно сложной. Решение на основе такой модели задач, сформулированных выше, требует использования численных методов и компьютера.

Применение численных методов

Численные методы - это методы, сводящие решение любой математической задачи к арифметическим вычислениям . Покажем применение численного метода решения на примере более простой задачи механики, чем задача о полете ракеты. Рассмотрим задачу о свободном падении тела постоянной массы m под действием постоянной силы тяжести. Уравнения движения с учетом сопротивления воздуха (об этом говорилось выше) имеют вид:

, (6)

Здесь v - вертикальная составляющая вектора скорости. Пусть начальная высота тела над землей равна s 0 , а начальная скорость - v 0 .

Покажем применение метода, который называется методом Эйлера, к расчету движения падающего тела. Расчет производится от начального момента времени t = 0 с малым конечным шагом по времени

(n = 0, 1, 2, …). (8)

Применяя аналогичный подход к уравнению (7), получаем формулу метода Эйлера для вычисления перемещения падающего тела со временем:

Имея начальные значения скорости и перемещения и используя формулы (8), (9), можно шаг за шагом вычислять значения v и s в последовательные моменты времени. Этот процесс несложно запрограммировать, а полученные результаты вывести в виде числовой таблицы и представить в графическом виде.

Анализ и интрпретация результатов

На рисунке показан результат графической обработки численно полученной зависимости скорости падения тела от времени при некотором наборе параметров m , k 1 и k 2 .

Зависимость скорости падения от времени с учетом сопротивления воздуха

Зависимость не имеет ничего общего с линейным изменением скорости, которое получается без учета сопротивления воздуха. Выход скорости на постоянное значение происходит в процессе приближения силы сопротивления воздуха к силе тяжести. При их равенстве движение становится равномерным.

Заметим, что установившееся предельное значение скорости можно вычислить аналитически, не прибегая к численным методам. Приравняв в формуле (6) dv/dt (ускорение) к нулю, получим, что установившаяся скорость будет равна

На основании данной модели можно, например, решать задачу оптимизации, сформулировав условие так: парашютист прыгает с некоторой высоты и летит, не открывая парашюта; на какой высоте (или через какое время) ему следует открыть парашют, чтобы иметь к моменту приземления безопасную скорость? Другая задача: как связана высота прыжка с площадью поперечного сечения парашюта (входящей в k 2), чтобы скорость приземления была безопасной?

Существенной проблемой при использовании описанного численного метода является выбор величины шага по времени t . От этой величины зависит точность получаемых результатов, устойчивость вычислительной процедуры. Все эти проблемы исследуются в математической дисциплине, которая называется “Численные методы”, или “Вычислительная математика”.

Знакомство учащихся с компьютерными моделями физических процессов в базовом курсе информатики может происходить на уровне демонстрационных примеров. На рисунке показан пример учебной демонстрационной программы, моделирующей полет снаряда, выпущенного из пушки. Задача, которая ставится перед учениками, заключается в подборе параметров (начальной скорости и угла выстрела), которые обеспечивают попадание снаряда в цель (данная программа включена в федеральную коллекцию цифровых образовательных ресурсов). Аналогичные разработки имеются и в других учебных источниках.

Полет снаряда, выпущенного из пушки

В старших классах физико-математического профиля вопросы моделирования физических процессов должны входить в программу профильной подготовки. Можно предложить следующий перечень объектов моделирования, связанных с движением тел:

· движение тел с учетом сопротивления среды (свободное падение, движение тела, брошенного под углом к горизонту, взлет ракеты и др.);

· колебательное движение маятника с учетом сопротивления среды, вынужденные колебания, резонанс и т.д.;

· движение небесных тел (задача двух тел);

· движение заряженных частиц в электрических полях.

Другие типы задач, на базе которых можно реализовывать моделирование физических процессов, связаны с описанием физических процессов в приближении сплошной среды и в электромагнитных полях:

· моделирование процесса теплопроводности и др.;

· моделирование распределений статических - электрического и магнитного - полей.

Выше был подробно разобран пример моделирования свободного падения тела в атмосфере, в котором используются дифференциальные уравнения и численные методы их решения. Если математической подготовки учеников недостаточно для понимания такого подхода, то можно построить математическую модель сразу в конечно-разностной форме, не используя дифференциальных уравнений. Продемонстрируем методику применения такого подхода.

Напомним ученикам, что ускорение есть приращение скорости за единицу времени, а скорость - приращение перемещения за единицу времени: .

Знаки приближенного равенства свидетельствуют о том, что эти соотношения тем точнее, чем меньше промежуток t ; в пределе t 0 они становятся точными.

Если в некоторый момент времени t 0 величина s имеет значение s(t 0), а величина v - значение v(t 0), то в последующий момент времени t 1 = t 0 + t будем иметь:

При этом предполагается, что ускорение в течение данного отрезка времени не изменялось и оставалось равным a (t 0). Здесь также использованы обозначения F 0 = F (t 0 ), m = m (t 0 ), т.е. имеется в виду, что сила и масса в общем случае могут быть переменными величинами.

При вычислениях значений v и s в последующие моменты времени можно поступать аналогично. Если известны значения v i и s i в момент t i , то

Таким образом, получены те же самые формулы метода Эйлера, но методически иначе. При этом вообще не упоминаются дифференциальные уравнения.

При построении этой и подобной ей моделей следует обратить внимание учащихся на то, что в разбиении непрерывного времени на отрезки длиной t проявляется одна из фундаментальных идей информатики об универсальности дискретной формы представления информации, отраженная как в конструкции компьютера, так и во множестве приложений информатики.

Отметим, что существует немало компьютерных программ, моделирующих простые физические процессы. В них реализован диалоговый интерфейс, позволяющий вводить параметры, получать на экране таблицы, графики, движущиеся изображения. Однако при их использовании остаются скрытыми физические законы, определяющие процесс, ограничения модели, возможности ее усовершенствования. Такие программы полезны скорее как иллюстративные, ознакомительные. Учащихся, изучающих информатику на профильном уровне, целесообразно ориентировать на подробный анализ математических моделей и самостоятельную разработку программ.

Модель сложной системы, рассмотренная ранее, представляет собой математическую схему моделирования общего вида. На практике для формализации концептуальных моделей ряда систем выгоднее применять типовые математические схемы моделирования, учитывающие с одной стороны способ представления времени в модели (непрерывная переменная или дискретная), а с другой стороны степень случайности моделируемых процессов. По этим признакам различают следующие математические схемы моделирования (классы ММ).

Непрерывно – детерминированные модели (D – схемы).

Дискретно – детерминированные модели (F – схемы).

Дискретно – вероятностные модели (P – схемы).

Непрерывно - вероятностные модели (Q – схемы).

Сетевые модели (N – схемы).

Агрегатные модели (А – схемы).

Непрерывно-детерминированные модели . В этих моделях время t полагается непрерывной переменной, а случайными факторами в системе пренебрегают. Математический аппарат моделей – теория дифференциальных и интегральных уравнений, с помощью которой достигается адекватное описание динамических систем. Наиболее глубоко разработан операторный метод описания и исследования процессов функционирования динамических систем и их структур.

Примером непрерывно – детерминированной модели одноканальной системы автоматического управления является неоднородное дифференциальное уравнение с постоянными коэффициентами.

В этом уравнении x(t)- входное воздействие; y(t) – выходная величина, характеризующая положение объекта управления; - внутренние параметры системы.

Если динамическая система описывается нелинейным дифференциальным уравнением, то его линеаризуют и решают как линейное.

Применение непрерывно – детерминированных моделей позволяет количественно осуществлять не только анализ динамических систем, но и оптимальный синтез их.

Дискретно-детерминированные модели . В дискретно–детерминированных (ДД) моделях время t является дискретной переменной , где – шаг дискретизации, а – дискретные моменты времени.

Основной математический аппарат, используемый при построении ДД – моделей – это теория разностных уравнений и аппарат дискретной математики, в частности, теория конечных автоматов.

Разностное уравнение – это уравнение, содержащее конечные разности искомой функции

где – соответственно состояние системы и внешнее воздействие в дискретные моменты времени .

В прикладных задачах ДД – модели в виде (2.6) часто возникают как промежуточные при исследовании НД – моделей на ЭВМ, когда аналитическое решение дифференциального уравнения получить не удается и приходится применять разностные схемы.

Кратко рассмотрим теорию конечных автоматов, которая используется для построения ДД – моделей.

Конечный автомат – это математическая модель дискретной системы, которая под действием входных сигналов вырабатывает выходные сигналы , и которая может иметь некоторые изменяемые внутренние состояния ; здесь – конечные множества.

Конечный автомат характеризуется: входным алфавитом ; выходным алфавитом ; внутренним алфавитом состояний ; начальным состоянием ; функцией переходов ; функцией выходов .

Процесс функционирования конечного автомата таков. В –м такте на вход автомата, находящегося в состоянии , поступает входной сигнал , на который автомат реагирует переходом на –м такте в состояние и выдачей выходного сигнала Например, конечный автомат Мили описывается следующими рекуррентными соотношениями:

Дискретно–вероятностные модели . В дискретно–вероятностной модели учитываются случайные элементы исследуемой сложной системы. Основной математический аппарат, используемый при построении и исследовании ДВ – моделей, – это теория разностных стохастических уравнений и теория вероятностных автоматов.

Разностное стохастическое уравнение – это такое уравнение, которое содержит случайные параметры или случайные входные воздействия .

Пусть на вероятностном пространстве определен случайный – вектор параметров и случайная последовательность входных воздействий

Нелинейное разностное стохастическое уравнение порядка имеет вид , (2.8)

где заданные начальные состояния системы; заданная функция переменных.

Решением этого уравнения является определенная на множестве случайная последовательность состояний моделируемой системы:

Если функция линейная по , то (2.8) примет вид:

(2.9)

где вектор параметров.

Другой математический аппарат построения ДВ – моделей сложных систем представляет теория вероятностных автоматов.

Вероятностный автомат, определенный на множестве , есть конечный автомат, в котором функция переходов и функция выходов являются случайными функциями, имеющими некоторые вероятностные распределения.

Примем обозначения для вероятностных распределений – начальное распределение вероятностей, – вероятность события, состоящего в том, что находящийся в –м такте в состоянии автомат под воздействием входного сигнала выдаст выходной сигнал и перейдет на –м такте в состояние

Математическая модель вероятностного автомата полностью определяется пятью элементами: .

Непрерывно – вероятностные модели . При построении и исследовании НВ – моделей используется теория стохастических дифференциальных уравнений и теория массового обслуживания.

Стохастическое дифференциальное уравнение (в форме Ито) имеет вид:

где – случайный процесс, определяющий состояние системы в момент времени ; – стандартный винеровский случайный процесс; – коэффициенты диффузии и переноса. НВ – модель часто используется при моделировании стохастических систем управления, процессов обмена.

Теория массового обслуживания разрабатывает и исследует математические модели различных по своей природе процессов функционирования систем, например: поставок сырья и комплектующих изделий некоторому предприятию; заданий, поступающих на ЭВМ от удаленных терминалов; вызов на телефонных станциях и т.д. Для функционирования таких систем характерна стохастичность: случайность моментов времени появления заявок на обслуживание и т.д.

Система, описываемая как система массового обслуживания (СМО), состоит из приборов обслуживания . Прибор обслуживания состоит из накопителя заявок , в котором могут одновременно находиться заявок , и канала обслуживания заявок; – емкость накопителя , то есть число мест в очереди на обслуживание заявок в канале .

На каждый элемент прибора поступают потоки событий; в накопитель – поток заявок , на канал – поток «обслуживаний» . Поток заявок представляет последовательность интервалов времени между моментами появления заявок на входе СМО и образует подмножество неуправляемых переменных СМО. А поток представляет собой последовательность интервалов времени между моментами начала и окончания обслуживания заявок и образует подмножество управляемых переменных.

Заявки, обслуженные СМО, образуют выходной поток – последовательность интервалов времени между моментами выхода заявок. Не обслуженные заявки, но покинувшие СМО по различным причинам, образуют выходной поток потерянных заявок.

Сетевые модели используют для формализации причинно – следственных связей в сложных системах с параллельными процессами. В основе этих моделей лежит сеть Петри. При графической интерпретации сеть Петри представляет собой граф особого вида, состоящий из вершин двух типов – позиций и переходов , соединенных ориентированными дугами, причем каждая дуга может связывать лишь разнотипные вершины (позицию с переходом или переход с позицией). Вершины-позиции обозначаются кружками, вершины-переходы – черточками. С содержательной точки зрения переходы соответствуют событиям, присущим исследуемой системе, а позиции – условиям их возникновения.

Таким образом, совокупность переходов, позиций и дуг позволяет описать причинно-следственные связи, присущие системе, но в статике. Чтобы сеть Петри «ожила», вводят еще один вид объектов сети – так называемые фишки или метки позиций, которые перемещаются по переходам сети при условии наличия метки во входной позиции и отсутствии метки в выходной позиции. Расположение фишек в позициях сети называется разметкой сети .

Агрегатные модели . Анализ существующих задач приводит к выводу о том, что комплексное решение проблем возможно лишь в том случае, если моделирующие системы имеют в своей основе единую математическую схему моделирования. Такой подход к формализации процесса функционирования сложной системы предложен Бусленко Н.П. и базируется на понятии «агрегата».

При агрегатном описании сложная система разбивается по подсистемы, сохраняя при этом связи обеспечивающие взаимодействие их. Если подсистема оказывается сложной, то процесс расчленения продолжается до тех пор, пока не образуются подсистемы, которые в условиях рассматриваемой задачи могут считаться удобными для математического описания.

В результате этого получается многоуровневая конструкция из взаимосвязанных элементов объединенных в подсистемы различных уровней. Элементами агрегатной модели являются агрегаты. Связи между агрегатами и внешней средой осуществляются с помощью операторов сопряжения. Сам агрегат тоже может рассматриваться как агрегатная модель, то есть разбиваться на элементы следующего уровня.

Любой агрегат характеризуется множествами: моментов времени T , входных X и выходных Y сигналов, состояний агрегата Z в каждый момент времени t . Процесс функционирования агрегата состоит из скачков состояний в моменты поступлений входных сигналов x и изменений состояний между этими моментами и .

Моменты скачков , не являющиеся моментами поступления входных сигналов называют особыми моментами времени , а состояния особыми состояниями агрегатной схемы. В множестве состояний Z выделяют подмножество , что если достигает , то это состояние является моментом выдачи выходного сигнала y .

Для использования ЭВМ при решении прикладных задач прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель .

Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи .

Для построения математической модели необходимо:

1. тщательно проанализировать реальный объект или процесс;
2. выделить его наиболее существенные черты и свойства;
3. определить переменные, т.е. параметры, значения которых влияют на основные черты и свойства объекта;
4. описать зависимость основных свойств объекта, процесса или системы от значения переменных с помощью логико-математических соотношений (уравнения, равенства, неравенства, логико-математические конструкций);
5. выделить внутренние связи объекта, процесса или системы с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций;
6. определить внешние связи и описать их с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций.

Математическое моделирование , кроме исследования объекта, процесса или системы и составления их математического описания, также включает:

1. построение алгоритма, моделирующего поведение объекта, процесса или системы;
2. проверка адекватности модели и объекта, процесса или системы на основе вычислительного и натурного эксперимента;
3. корректировка модели;
4. использование модели.

Математическое описание исследуемых процессов и систем зависит от:

1. природы реального процесса или системы и составляется на основе законов физики, химии, механики, термодинамики, гидродинамики, электротехники, теории пластичности , теории упругости и т.д.
2. требуемой достоверности и точности изучения и исследования реальных процессов и систем.

На этапе выбора математической модели устанавливаются: линейность и нелинейность объекта, процесса или системы, динамичность или статичность, стационарность или нестационарность, а также степень детерминированности исследуемого объекта или процесса. При математическом моделировании сознательно отвлекаются от конкретной физической природы объектов, процессов или систем и, в основном, сосредотачиваются на изучении количественных зависимостей между величинами, описывающими эти процессы.

Математическая модель никогда не бывает полностью тождественна рассматриваемому объекту, процессу или системе. Основанная на упрощении, идеализации , она является приближенным описанием объекта. Поэтому результаты, полученные при анализе модели, носят приближенный характер. Их точность определяется степенью адекватности (соответствия) модели и объекта.

Обычно начинается с построения и анализа простейшей, наиболее грубой математической модели рассматриваемого объекта, процесса или системы. В дальнейшем, в случае необходимости, модель уточняется, делается ее соответствие объекту более полным.

Возьмем простой пример. Нужно определить площадь поверхности письменного стола. Обычно для этого измеряют его длину и ширину, а затем перемножают полученные числа. Такая элементарная процедура фактически обозначает следующее: реальный объект (поверхность стола) заменяется абстрактной математической моделью – прямоугольником. Прямоугольнику приписываются размеры, полученные в результате измерения длины и ширины поверхности стола, и площадь такого прямоугольника приближенно принимается за искомую площадь стола.

Однако модель прямоугольника для письменного стола – это простейшая, наиболее грубая модель. При более серьезном подходе к задаче прежде, чем воспользоваться для определения площади стола моделью прямоугольника, эту модель нужно проверить. Проверки можно осуществить следующим образом: измерить длины противоположных сторон стола, а также длины его диагоналей и сравнить их между собой. Если, с требуемой степенью точности, длины противоположных сторон и длины диагоналей попарно равны между собой, то поверхность стола действительно можно рассматривать как прямоугольник . В противном случае модель прямоугольника придется отвергнуть и заменить моделью четырехугольника общего вида. При более высоком требовании к точности может возникнуть необходимость пойти в уточнении модели еще дальше, например, учесть закругления углов стола.

С помощью этого простого примера было показано, что математическая модель не определяется однозначно исследуемым объектом, процессом или системой. Для одного и того же стола мы можем принять либо модель прямоугольника, либо более сложную модель четырехугольника общего вида, либо четырехугольника с закругленными углами. Выбор той или иной модели определяется требованием точности. С повышением точности модель приходится усложнять, учитывая новые и новые особенности изучаемого объекта, процесса или системы.

Рассмотрим другой пример: исследование движения кривошипно-шатунного механизма (Рис. 2.1) .

Рис. 2.1.

Для кинематического анализа этого механизма, прежде всего, необходимо построить его кинематическую модель. Для этого:

1. Заменяем механизм его кинематической схемой, где все звенья заменены жесткими связями ;
2. Пользуясь этой схемой, мы выводим уравнение движения механизма;
3. Дифференцируя последнее, получаем уравнения скоростей и ускорения, которые представляют собой дифференциальные уравнения 1-го и 2-го порядка.

Запишем эти уравнения:

где С 0 – крайнее правое положение ползуна С:

r – радиус кривошипа AB;

l – длина шатуна BC;

– угол поворота кривошипа;

Полученные трансцендентные уравнения представляют математическую модель движения плоского аксиального кривошипно-шатунного механизма, основанную на следующих упрощающих предположениях:

1. нас не интересовали конструктивные формы и расположение масс, входящих в механизм тел, и все тела механизма мы заменили отрезками прямых. На самом деле, все звенья механизма имеют массу и довольно сложную форму. Например, шатун – это сложное сборное соединение, форма и размеры которого, конечно, будут влиять на движение механизма;
2. при движения рассматриваемого механизма мы также не учитывали упругость входящих в механизм тел, т.е. все звенья рассматривали как абстрактные абсолютно жесткие тела. В действительности же, все входящие в механизм тела – упругие тела. Они при движении механизма будут как-то деформироваться, в них могут даже возникнуть упругие колебания. Это все, конечно, также будет влиять на движение механизма;
3. мы не учитывали погрешность изготовления звеньев, зазоры в кинематических парах A, B, C и т.д.

Таким образом, важно еще раз подчеркнуть, что, чем выше требования к точности результатов решения задачи, тем больше необходимость учитывать при построении математической модели особенности изучаемого объекта, процесса или системы. Однако, здесь важно во время остановиться, так как сложная математическая модель может превратиться в трудно разрешимую задачу.

Наиболее просто строится модель, когда хорошо известны законы, определяющие поведение и свойства объекта, процесса или системы, и имеется большой практический опыт их применения.

Более сложная ситуация возникает тогда, когда наши знания об изучаемом объекте, процессе или системе недостаточны. В этом случае при построении математической модели приходится делать дополнительные предположения, которые носят характер гипотез, такая модель называется гипотетической. Выводы, полученные в результате исследования такой гипотетической модели, носят условный характер. Для проверки выводов необходимо сопоставить результаты исследования модели на ЭВМ с результатами натурного эксперимента. Таким образом, вопрос применимости некоторой математической модели к изучению рассматриваемого объекта, процесса или системы не является математическим вопросом и не может быть решен математическими методами.

Основным критерием истинности является эксперимент, практика в самом широком смысле этого слова.

Построение математической модели в прикладных задачах – один из наиболее сложных и ответственных этапов работы. Опыт показывает, что во многих случаях правильно выбрать модель – значит решить проблему более, чем наполовину. Трудность данного этапа состоит в том, что он требует соединения математических и специальных знаний. Поэтому очень важно, чтобы при решении прикладных задач математики обладали специальными знаниями об объекте, а их партнеры, специалисты, – определенной математической культурой, опытом исследования в своей области, знанием ЭВМ и программирования.